您的位置:首页 > 新闻 > 会展 > 原来,一切皆可GNN!

原来,一切皆可GNN!

2024/12/26 19:27:59 来源:https://blog.csdn.net/2401_84208172/article/details/142352384  浏览:    关键词:原来,一切皆可GNN!

图神经网络(GNN)是专为处理图结构数据而设计的深度学习架构,这些图结构数据广泛存在于社交网络、分子结构等复杂系统中。GNN通过节点间的信息交互与传递,精妙地捕获了图数据的内在结构信息,并据此动态更新每个节点的特征表示。

其实,CNN 可以看做GNN,Transformer也可以看做GNN… 以几何深度学习(Geometric Deep Learning)的独特视角**,形形色色的神经网络架构视作不同类型的GNN,** 这视角拓宽了我们对现有神经网络工作机制的认知边界。如下我们具体介绍下各种神经网络模型的内在联系!

多层感知器(MLP)

多层感知器(MLP)是一种前馈神经网络,由一个输入层、一个或多个隐藏层和一个输出层组成。MLP的每个节点(神经元)都接受输入信号,并将这些信号通过激活函数(如Sigmoid、ReLU等)进行非线性变换,然后产生输出。MLP使用反向传播算法进行训练,通过调整各层之间的权重和偏置项来最小化预测值与实际值之间的误差。

输入层:接收原始数据输入。

隐藏层:对输入数据进行非线性变换,提取和组合特征。

输出层:根据任务需求输出预测结果或分类标签。

在几何深度学习的视角下,MLP亦可被视为在断开连接的图上运行的GNN。在这里,每个节点(即输入特征)仿佛是一座孤岛,而MLP则通过全连接层对这些孤立的节点进行独立处理。

卷积神经网络(CNN)

卷积神经网络(CNN)特别适用于处理图像等二维或三维网格数据。CNN主要由卷积层、池化层和全连接层组成。通过反向传播算法进行训练,调整卷积核的权重和偏置项来优化模型性能。

卷积层:使用多个卷积核对输入数据进行卷积操作,以提取局部特征。卷积核在输入数据上滑动,执行点积操作,并输出特征图。

池化层:对卷积层的输出进行下采样,以减少数据的维度和计算量,同时保留重要的特征信息。常见的池化操作包括最大池化和平均池化。

全连接层:将池化层的输出展平并连接到输出层,以产生最终预测。

图像,本质上是一种网格结构,每个像素如同节点,紧密相连形成复杂网络。在这个比喻下,CNN便是图像网格图上的GNN,通过滑动滤波器捕捉相邻节点的信息,从而挖掘出图像的局部空间特征。

Transformer

Transformer是一种基于自注意力机制的深度学习模型,最初用于自然语言处理任务。Transformer主要由编码器(Encoder)和解码器(Decoder)两部分组成。

编码器:将输入序列转换为一系列向量表示(称为“自注意力向量”)。编码器中的每个位置都可以访问输入序列中的所有位置,并计算一个表示该位置与其他位置关系的权重。

解码器:根据编码器产生的自注意力向量生成输出序列。解码器中的每个位置都可以访问输入序列和之前生成的输出序列中的所有位置,并计算一个表示这些位置关系的权重。

Transformer通过自注意力机制捕获序列中的依赖关系,并使用位置编码来捕捉序列中的位置信息。Transformer通过反向传播算法进行训练,优化模型参数以最小化预测值与实际值之间的误差。

在这里,Transformer模型同样可以被视为一种图神经网络,只不过其图结构是全连接的,每个节点都与其他所有节点保持紧密的联系。这种独特的结构让Transformer能够敏锐地捕捉到序列中的长距离依赖关系。

小结

这一视角深刻揭示了图神经网络在现代神经网络构建中的核心地位。无论我们的神经网络是用来处理图像、文本还是其他类型的数据,它都可以被视为在某种形式的图结构上运作的GNN。通过深入理解和把握这一关键点,我们不仅能够更加精准地洞察神经网络的本质,还能够开发出更为高效、灵活的架构,以应对日益复杂的数据处理任务。

在大模型时代,我们如何有效的去学习大模型?

现如今大模型岗位需求越来越大,但是相关岗位人才难求,薪资持续走高,AI运营薪资平均值约18457元,AI工程师薪资平均值约37336元,大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性

• 成为一名全栈大模型工程师,包括Prompt,LangChain,LoRA等技术开发、运营、产品等方向全栈工程;

• 能够拥有模型二次训练和微调能力,带领大家完成智能对话、文生图等热门应用;

• 薪资上浮10%-20%,覆盖更多高薪岗位,这是一个高需求、高待遇的热门方向和领域;

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术,也_想通过这项技能真正达到升职加薪,就业或是副业的目的,但是不知道该如何开始学习,因为网上的资料太多太杂乱了,如果不能系统的学习就相当于是白学。为了让大家少走弯路,少碰壁,这里我直接把都打包整理好,希望能够真正帮助到大家_。

👉[CSDN大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)]()👈

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,下面是我整理好的一套完整的学习路线,希望能够帮助到你们学习AI大模型。

在这里插入图片描述

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述

三、AI大模型经典PDF书籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

四、AI大模型各大场景实战案例

在这里插入图片描述

结语

【一一AGI大模型学习 所有资源获取处(无偿领取)一一】
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~

👉[CSDN大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)]()👈